基于多源业务数据的集装箱生成量预测方法、装置、设备及介质与流程

本发明涉及物流供应链管理，尤其涉及一种基于多源业务数据的集装箱生成量预测方法、装置、设备及介质。

背景技术：

1、目前，集装箱运量预测主要采用以下技术手段：在数据层面，依赖宏观统计数据，并结合高速公路收费流水、铁路装卸台账等运输业务数据进行分析；在特征挖掘层面，采用经验模态分解方法将非平稳运量序列分解为若干本征模态函数以挖掘不同时间尺度的内涵特征；在预测建模层面，采用自回归积分滑动平均模型、卷积神经网络、长短期记忆网络或者基于自注意力机制的变换器模型对运量序列进行建模预测。

2、然而，现有做法存在以下缺陷：一是统计口径不一且空间粒度粗放，公路、铁路数据体系相互孤立，难以整合下沉至县级行政单元；二是经验模态分解过程中常伴随模态混叠现象，分解出的分量物理意义模糊，干扰预测精度；三是传统线性模型难以处理非平稳序列，循环神经网络在长序列预测中易出现梯度消失或爆炸，而传统变换器模型的自注意力计算复杂度随序列长度呈平方级增长，内存消耗巨大，难以满足长序列实时预测的需求。

3、因此，如何在多重因素耦合影响下消除非平稳运量序列分解中的模态混叠干扰，并以低计算复杂度实现对集装箱生成量的长序列高精度预测，成为亟待解决的问题。

技术实现思路

1、本申请的主要目的在于提供一种基于多源业务数据的集装箱生成量预测方法、装置、设备及介质，旨在解决如何以低计算复杂度实现对集装箱生成量的长序列高精度预测的技术问题。

2、为实现上述目的，本申请提出一种基于多源业务数据的集装箱生成量预测方法，包括：

3、获取多源集装箱业务数据，并对所述多源集装箱业务数据进行异常数据剔除和单位统一转换，得到集装箱生成量序列，其中所述多源集装箱业务数据包括公路收费流水数据和铁路装卸数据；

4、向所述集装箱生成量序列添加成对的正白噪声和负白噪声，构造多个辅助序列；

5、对各所述辅助序列分别进行经验模态分解，并对多次分解得到的对应分量进行集成平均，得到多个本征模态分量和残差分量；

6、获取外部驱动因子数据，根据所述外部驱动因子数据对各所述本征模态分量进行驱动特征筛选和标准化处理，得到各所述本征模态分量对应的多维特征张量；

7、将各所述多维特征张量输入概率稀疏注意力预测模型进行处理，得到各所述本征模态分量对应的子序列预测结果和所述残差分量对应的残差预测结果，其中所述概率稀疏注意力预测模型包括编码器和生成式解码器，所述编码器包括预设编码器层数个依次连接的处理单元，所述处理单元包括一个概率稀疏注意力层和一个蒸馏层，所述概率稀疏注意力层用于筛选注意力贡献度满足预设贡献度条件的查询向量进行注意力计算；

8、对各所述子序列预测结果和所述残差预测结果进行叠加重构，并对叠加重构后的序列进行反标准化处理，得到集装箱生成量预测序列。

9、此外，为实现上述目的，本申请还提出一种基于多源业务数据的集装箱生成量预测装置，所述基于多源业务数据的集装箱生成量预测装置包括：

10、数据获取模块，用于获取多源集装箱业务数据，并对所述多源集装箱业务数据进行异常数据剔除和单位统一转换，得到集装箱生成量序列，其中所述多源集装箱业务数据包括公路收费流水数据和铁路装卸数据；

11、噪声添加模块，用于向所述集装箱生成量序列添加成对的正白噪声和负白噪声，构造多个辅助序列；

12、序列分解模块，用于对各所述辅助序列分别进行经验模态分解，并对多次分解得到的对应分量进行集成平均，得到多个本征模态分量和残差分量；

13、特征构建模块，用于获取外部驱动因子数据，根据所述外部驱动因子数据对各所述本征模态分量进行驱动特征筛选和标准化处理，得到各所述本征模态分量对应的多维特征张量；

14、模型预测模块，用于将各所述多维特征张量输入概率稀疏注意力预测模型进行处理，得到各所述本征模态分量对应的子序列预测结果和所述残差分量对应的残差预测结果，其中所述概率稀疏注意力预测模型包括编码器和生成式解码器，所述编码器包括预设编码器层数个依次连接的处理单元，所述处理单元包括一个概率稀疏注意力层和一个蒸馏层，所述概率稀疏注意力层用于筛选注意力贡献度满足预设贡献度条件的查询向量进行注意力计算；

15、重构输出模块，用于对各所述子序列预测结果和所述残差预测结果进行叠加重构，并对叠加重构后的序列进行反标准化处理，得到集装箱生成量预测序列。

16、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于多源业务数据的集装箱生成量预测方法的步骤。

17、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于多源业务数据的集装箱生成量预测方法的步骤。

18、本申请通过对公路、铁路多源集装箱业务数据进行异常剔除和单位统一转换，得到集装箱生成量序列；通过添加成对正负白噪声进行多次经验模态分解并集成平均，得到物理意义明确的各本征模态分量和残差分量；结合外部驱动因子筛选构建多维特征张量，输入含概率稀疏注意力层与蒸馏层的编码器及生成式解码器的预测模型，得到各分量预测结果，最后叠加重构并反标准化输出预测序列。本申请消除了模态混叠干扰，降低了长序列计算复杂度，实现了集装箱生成量的高精度长序列预测，为物流规划提供数据支撑。

1.一种基于多源业务数据的集装箱生成量预测方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述将各所述多维特征张量输入概率稀疏注意力预测模型进行处理，得到各所述本征模态分量对应的子序列预测结果和所述残差分量对应的残差预测结果的步骤，包括：

3.如权利要求2所述的方法，其特征在于，所述通过编码器对各所述多维特征张量进行稀疏注意力计算和逐层蒸馏压缩，筛选注意力贡献度满足预设贡献度条件的查询向量并压缩特征的时间轴维度，得到各所述多维特征张量对应的蒸馏特征的步骤，包括：

4.如权利要求2所述的方法，其特征在于，所述通过所述生成式解码器根据所述蒸馏特征对合并向量进行注意力计算，通过单次前向计算并行输出所述待预测时段内各时间节点的预测值，得到各所述本征模态分量对应的子序列预测结果和所述残差分量对应的残差预测结果的步骤，包括：

5.如权利要求1所述的方法，其特征在于，所述对各所述辅助序列分别进行经验模态分解，并对多次分解得到的对应分量进行集成平均，得到多个本征模态分量和残差分量的步骤，包括：

6.如权利要求1所述的方法，其特征在于，所述获取外部驱动因子数据，根据所述外部驱动因子数据对各所述本征模态分量进行驱动特征筛选和标准化处理，得到各所述本征模态分量对应的多维特征张量的步骤，包括：

7.如权利要求1所述的方法，其特征在于，所述对各所述子序列预测结果和所述残差预测结果进行叠加重构，并对叠加重构后的序列进行反标准化处理，得到集装箱生成量预测序列的步骤，包括：

8.一种基于多源业务数据的集装箱生成量预测装置，其特征在于，所述装置应用于如权利要求1至7中任一项所述的基于多源业务数据的集装箱生成量预测方法，所述装置包括：

9.一种基于多源业务数据的集装箱生成量预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的基于多源业务数据的集装箱生成量预测程序，所述基于多源业务数据的集装箱生成量预测程序配置为实现如权利要求1-7中任一项所述的基于多源业务数据的集装箱生成量预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于多源业务数据的集装箱生成量预测程序，所述基于多源业务数据的集装箱生成量预测程序被处理器执行时实现如权利要求1-7中任一项所述的基于多源业务数据的集装箱生成量预测方法的步骤。